機器學習助力柔性力傳感技術的發展

一、?【導讀】 ?

2016年HBO發行的科幻類連續劇《西部世界》營造了一個高科技未來主題公園，其中的機器“接待員”有著和人類一樣的外表和行為能力，甚至達到真假難辨的地步。想要實現“行為類人”這一目標，人形機器人的發展離不開柔性傳感技術的支持，以便獲得和人類接近的感覺系統。事實上，柔性傳感技術在多個新興領域都有著重要應用前景，是構建超互聯智能社會的必備要素。如今，柔性傳感技術在傳感器設備的硬件性能和軟件的數據處理能力方面都有了很大的提高。大量研究工作致力于改進柔性傳感系統的材料、傳感機制和配置方式。與此同時，單個傳感器或傳感器網絡收集的數據日益復雜，因而先進的數據處理方法也被逐步開發。機器學習(ML)作為人工智能的一個重要分支，可以高效地處理這種多維、多模態的復雜數據，從而為輕松解讀傳感數據提供了強大的工具，并最終實現集檢測、分析和決策功能于一體的智能系統。

?

二、【成果掠影】

近日，廈門大學高立波教授、中科院深圳先進技術研究院趙海濤研究員和澳大利亞國立大學Zongyou Yin教授聯合發表了關于機器學習助力柔性力傳感技術發展的綜述文章。清華大學的博士后王月皎為第一作者。本文首先介紹了柔性力傳感器的基本工作機理和常見類型及應用。然后闡述了機器學習輔助的數據解釋如何提高柔性力傳感器和其他密切相關的傳感器在各個領域的應用，包括健康監測、人機界面、物體/表面識別、壓力預測和人體姿勢/運動識別。最后，本文討論了融合柔性力傳感技術和機器學習算法帶來的優勢、挑戰和未來展望。這篇綜述將為下一代人造柔性力傳感技術的發展提供重要見解。

?

?三、【核心創新點】

1. 回顧了柔性力傳感平臺與機器學習(ML)算法融合的最新進展。
2. 討論了將ML應用于智能柔性力傳感技術的優勢、挑戰和未來前景。
3. 回顧了柔性力傳感器的基本工作機制和常見類型。

?

?四、【數據概覽】

?

圖1 柔性力傳感技術的刺激、傳感機制和ML輔助數據處理概覽

?

圖2?常見的力學傳感機制

?

圖3?四類柔性力傳感技術的常見應用

?

圖4?柔性壓力傳感器的典型設計策略

?

圖5?柔性應變傳感器的典型設計策略

?

圖6柔性振動傳感器的典型設計策略

?

圖7柔性剪切力傳感器的典型設計策略

?

?

圖8?ML技術用于數據闡釋的常見步驟

?

圖9?ML算法輔助提升柔性傳感在健康監測領域的應用

?

圖10?ML算法輔助提升柔性傳感在語音HMI領域的應用

?

圖11?ML算法輔助提升柔性傳感在手勢HMI領域的應用

?

圖12?ML算法輔助提升柔性傳感在物體/表面識別領域的應用

?

?

圖13?ML算法輔助提升柔性傳感在壓力預測/位置識別領域的應用

?

?

圖14?ML算法輔助提升柔性傳感在人體姿勢/運動檢測領域的應用

?

五、【成果啟示】

隨著傳感機制多樣化、傳感性能大幅提升、更多功能性和器件小型化的發展，柔性電子器件正在快速發展，具有大量的數據和高級別的特征。傳統數據處理技術在分析大量傳感數據方面的劣勢變得越來越明顯，因為它通常需要人工干預，步驟復雜，處理時間長。復雜步驟和長時間處理。將機器學習（ML）方法納入柔性傳感技術中可以加速該技術的發展，ML方法可以有效地處理高維和非線性數據，以發現大型數據集中錯綜復雜/隱藏的關系。本綜述從與ML輔助數據處理算法結合的角度，對智能力傳感技術的最新進展進行了概述。ML技術如何使柔性力傳感技術受益可以歸納為三個方面：

首先，ML 顯著提高了來自大型傳感陣列或/和復雜傳感系統的大傳感數據的處理效率。相同傳感機制測量的同質傳感數據的陣列集成可以通過ML直接結合，得出所需信息。例如，將32×32像素的大型壓阻傳感器陣列數據輸入到CNN中，可識別抓取的物體[34]。此外，在多模式傳感系統中，由不同傳感機制測量的異質傳感數據也可以通過ML進行全面分析。甚至可以將視覺數據與手指上的柔性應變傳感數據集成，以準確分類手勢，這在沒有ML的情況下很難實現，因為數據維數和數據密度的不匹配[114]。

其次，與噪聲或多個外部刺激之間的耦合，以及相鄰傳感器之間的信號重疊，可以通過 ML 消除或解耦以提供合理的結果，與傳統的數據處理技術相比，精度和分辨率都有所提高。例如，一種多功能柔性傳感器可以對應變、壓力和呼吸刺激做出反應，通過ET算法可將信號分解為單個刺激的響應。同樣，通過使用ML進行信號分解，也可以解決如彎曲、扭曲和拉伸等不必要機械變形會引起器件性能變化的常見挑戰。此外，沒有陣列化圖案的壓阻復合材料甚至可以通過將邊緣的電阻變化輸入DNN 來測量壓力大小和所在位置。

第三，ML 可挖掘傳感信號和關鍵事件之間的隱藏關系。通過ML整合數據，研究結果發現檢測到的心電圖信號、呼吸和皮膚電反應可以共同提供精神疲勞水平的信息。總之，在硬件性能沒有重大更新的情況下，ML 技術已被廣泛證明是提高柔性力傳感性能的一個有前景的解決方案。

另一方面，盡管柔性力傳感與ML 算法的集成取得了快速進展，但智能柔性傳感系統的開發也面臨著不可避免的挑戰。ML 賦予了系統自動合并所有信息并從經驗中學習以提高預測精度的能力，但ML輔助處理柔性力傳感數據的策略不可避免地存在著 ML算法的缺陷。

首先，通常需要從傳感系統中收集大量多樣化的、經過嚴格審核的訓練數據，以確保 ML 模型的高預測精度，這是一個繁瑣而耗時的過程。對于大多數基于有機材料的柔性傳感器來說，其固有的器件間差異和較差的長期穩定性，使得在結合ML算法時增加了很大的難度，因為可重復性與模型訓練直接相關。因此，需要開發更智能的 ML 算法以簡化訓練步驟，并應改善傳感器的性能 (特別是穩定性和均勻性)。其次，根據傳感數據和預期目標設計合適的 ML 模型是重中之重。各種 ML 算法已經被開發出來，每一種算法都有優點和缺點，在解決不同情況時需要考慮，還必須進行超參數的調整以找到最佳設置。由于這兩個原因， ML 輔助的數據處理方法并不總是最好的解決方案，其他方法如線性校準和非線性擬合，在更簡化的關系中可能顯示出優勢。ML對柔性傳感數據的學習和決策過程需要更具相應知識和推理規則來調控，以確保特定應用的有效效果。

在未來，ML不僅可以應用于柔性傳感器系統的數據處理，而且還會進一步影響柔性傳感系統的設計階段，包括配置和材料。利用ML 實現的逆向設計，可以開發具有目標功能的理想傳感材料和具有緊湊型結構的傳感器以實現最佳傳感配置，從而引領具有超強傳感性能的新一代智能柔性傳感系統。多模態傳感平臺將集成柔性力傳感、化學傳感、和生物傳感，以提供更全面的信息，其中 ML有望在復雜的設計過程和數據分析方面發揮重要作用。另一方面，預計通過ML進行柔性傳感信號的傳感器內處理以提供實時分析將得到廣泛應用，因為它擁有比無線傳輸原始數據到外部計算設備更多的優勢，提供了更小的通信鏈路帶寬和無線電功率需求。通過本地處理信號，個人數據的安全性也可以得到提高。隨著對傳感器、微處理器單元、計算技術、無線通信和人工智能技術的不斷改進，我們相信， ML 增強的柔性力傳感可以進一步提高我們的生活質量，其影響涵蓋從健康監測、HMI、動作/手勢識別、電子皮膚到其他相關領域。

原文詳情：https://link.springer.com/article/10.1007/s40820-023-01013-9

本文由王月皎供稿